近年来，3D处理技术的发展推进了立体视频的商业化进程。然而，任何3D处理技术都会造成立体视频的质量下降、立体感缺失等问题，从而影响人类的观看体验。因此，如何根据立体视频的特点，构建更加符合人类视觉感知的立体视频质量评价模型，已成为计算机视觉研究领域的关键问题之一。目前，立体视频质量的评价方法主要包括基于特征提取的方法、基于稀疏表示的方法和基于深度学习的方法。卷积神经网络作为深度学习的重要技术理论，已经在计算机视觉领域取得了广泛的成就。因此，论文基于卷积神经网络主要开展了两个方面的工作。
　　首先，论文提出了一种基于关键帧分析的快速无参考立体视频质量评价方法。该方法首先采用双目融合算法将立体视频融合为融合视频，然后利用关键帧提取算法提取融合视频的关键帧，最后通过微调卷积神经网络将关键帧特征映射为立体视频质量分数。该方法仅对融合视频的关键帧进行特征分析，大大缩短了算法的测试时间，解决了目前立体视频质量评价方法中普遍存在的耗时问题。
　　第二，论文提出了一种基于两步训练双目融合网络的立体视频质量评价方法。首先，该方法提出一种新型的双目融合网络，该网络模拟了整个视觉通路中从双眼获取立体信息到质量判断的复杂融合、竞争与处理的过程。其次，论文对所提双目融合网络采用两步训练策略，即先利用小块分数训练局部网络，再使用MOS(DMOS)值训练全局网络，解决了目前立体视频质量评价方法中普遍存在的非对称失真评价效果不佳的问题。此外，所提卷积神经网络的输入为时空显著性特征流，而非原始立体视频。
　　为了验证以上立体视频质量评价方法的可靠性与有效性，实验在NAMA3DS1-COSPAD1和QI-SVQA两个公开立体视频库上开展。实验结果表明，论文所提的两个客观质量评价方法与主观分数具有较好的相关性，在对称失真和非对称失真立体视频上都取得了较好的结果，具有较强的普适性能。